[发明专利]一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法

说明书

本发明公开了一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，该方法从与目标站点空间强相关的站点数据中挖掘时空依赖特征，以提升PM2.5的单步预测精度。对采集到的空气污染物及气象数据进行了插值处理、特征选择、数据扩充等预处理。利用相关性分析及空间注意力机制，提取融合与目标站点空间强相关的站点信息；采用基于时间注意力的膨胀卷积网络，优化了输入数据窗口大小并扩展了预测覆盖的时域范围。然后基于ST‑CCN‑PM2.5模型进行了相关性阈值、数据归一化、数据集划分等超参数调优的实验以辅助优化模型。最后将多站点数据集用于对该模型的训练。本发明克服了传统RNN模型的梯度问题、复杂体系结构等弊端，为PM2.5浓度细粒度预测提供了一个开放研究框架。

技术领域

本发明涉及空气污染物浓度预测、细粒度预测、基于深度学习建模等技术。具体涉及一种基于ST-CCN-PM2.5的细粒度PM2.5浓度预测方法。

背景技术

由于城市工业化的影响，空气污染逐步成为一个严重的社会问题，据统计中国每年因空气污染物致死大约为100万人。被称为PM2.5的可吸入颗粒物已成为全球许多城市严重空气污染的核心指标。人类长期暴露在高浓度的PM2.5中会显著增加其患病风险，使人体自身的呼吸系统、神经系统、心血管系统及生殖系统遭受严重损害。此外，国际癌症研究机构(IARC)将PM2.5列为第一类致癌物，并将其视为一般和主要的环境致癌物。如何对PM2.5浓度进行细粒度的精确化预测，已成为大气环境保护和公众健康的重要研究课题。

在PM2.5浓度细粒度预测建模方面，已有很多先驱性工作。这些研究大致可以分为4类，即传统的线性统计模型和时间序列模型、浅层神经网络、基于深度学习的建模和专业模型。传统的线性统计模型和基于时间序列的方法不能反映复杂的非线性系统。浅层神经网络对非线性系统有一定反映能力，但不适用于对复杂函数的表达，从而制约了其泛化能力。深度学习中的LSTM、GRU等RNN变种模型利用长期记忆机制捕获时序中的时间依赖性关系，但这类模型具有比较复杂的递归结构，使模型训练效率低下。专业模型基于气象、物化反应等先验知识模拟并预测PM2.5的扩散与演化，但物化反应中关键知识的不足将导致模型预测表现欠佳。基于卷积神经网络(CNN)的因果卷积网络(CCN)在高精度时空粒度条件下对动态非线性系统具有较强的模拟和预测能力，其体系结构相对简单。然而，CCN在大气污染物浓度预测中的研究还很少。

对于细粒度PM2.5浓度建模的影响因子选择，当前并没有具体的标准，但大量研究表明，考虑时空影响因素将大大提升模型的预测性能。Pak等人通过提取不同位置监测站观测数据中的时空相关性来进行预测，取得了更准确、更稳定的预测性能。此外，空气污染物、气象因素也会对PM2.5的扩散、演化有不同程度的影响。目前在PM2.5浓度空间相关性和时间依赖性的提取方面仍有优化空间。还应考虑将大气环境因子与PM2.5的相关性纳入PM2.5的预测模型。

发明内容

本发明解决的问题是：提出了一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测模型。克服了当前研究无法将全面、有代表性的时空相关性纳入PM2.5预测模型的弊端。而且为捕获非线性影响因素，不仅考虑了站点间的时空相关性，还采用了气象因素(如风、风速、风向)与空气污染物等对PM2.5扩散演化有较强相关性的影响因素。将CNN的分支模型CCN引入PM2.5浓度预测的领域，克服了传统RNN、LSTM模型存在的梯度问题、体系结构复杂等弊端。

本发明的技术解决方案为：本发明提出了一种基于时空因果卷积网络的细粒度PM2.5浓度预测模型。该模型利用相关性分析及空间注意力机制，提取融合空间相关性信息。基于时间注意力机制在包含预测时刻的连续时间段中，筛选时间依赖性强的间隔以优化时间信息的选择。通过改进阈值参数以提升模型对空间强相关特征的提取能力，调整了滑动窗口大小将强相互依赖的时序输入膨胀卷积，指导模型整体预测精度的提升。另外分别设置了数据归一化、数据集划分的对比实验以期辅助调优模型预测性能。其具体步骤如下：